ECCVJul, 2020

OnlineAugment：基于较少领域知识的在线数据增强

PDF
TL;DR提供了一个相互正交的在线数据增强方案，同时介绍了三个新的数据增强网络和针对目标学习任务的联合训练。该方案具有更高的效率、更高的适应性和更少的领域知识要求。与当前现有的离线增强方法相比，在与这些方法相结合的情况下，该方案取得了改进，并单独表现与最先进的方法相媲美。
data augmentationdeep neural networksonline learningaugmentation networksimage classification
发现论文，激发创造
  • AutoAugment: 从数据中学习增强策略

    本文介绍了一种自动搜索图像数据增强策略，使用神经网络在目标数据集上产生最高准确性，并在 CIFAR-10，CIFAR-100，SVHN 和 ImageNet 数据集上实现了最先进的准确性，同时找到的增强策略可在不同数据集间转移学习。

    May, 2018

  • 使用在线双层优化学习图像分类数据增强

    本研究提出了一种用双层优化训练网络的方法，以自动学习有效的数据增强转换的分布，从而提高其泛化性能并与分类器等模型联合训练，实现数据增强的最优化，相较于手工优化方式，本方法在图像分类准确性上表现更好同时无需昂贵的数据增强超参数外部验证循环。

    Jun, 2020

  • 通过排除极端增强技术实现领域泛化

    在非领域内和领域泛化设置中，通过使用均匀采样的标准数据增强转换，增加转换的强度以适应领域外的更高数据差异，并设计新的奖励函数来拒绝可能损害训练的极端转换，我们的数据增强方案达到与基准领域泛化数据集上的最先进方法相媲美甚至更好的准确性。

    Oct, 2023

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • RandAugment：简化搜索空间的实用自动化数据增强

    本研究提出了一种名为 RandAugment 的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。

    Sep, 2019

  • 学习为数据增强编写领域特定变换

    利用生成对抗算法学习序列模型来自动生成数据增强方法，有效提高图片和文本数据集的识别准确度。

    Sep, 2017

  • 在线超参数学习用于自动增强策略

    本文介绍了使用 Online Hyper-parameter Learning for Auto-Augmentation 解决基于离线搜索增广策略所存在的高昂成本问题。在 CIFAR-10 和 ImageNet 数据集上，我们的方法取得了显著的准确率提高，并且速度分别比现有方法快了 60 倍和 24 倍，同时保持了有竞争力的准确性。

    May, 2019

  • 对抗自动数据增强

    通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

    Dec, 2019

  • 数据增强优化的元方法

    本文提出了一种优化图像识别模型和数据增强策略的方法，使用梯度下降同时优化两者，通过使用 Neumann 级数逼近来近似策略梯度，以实现高效可扩展的训练，以提高各种图像分类任务的性能。

    Jun, 2020

  • 深度学习图像增强技术的全面调查

    本文调研了基于深度学习的图像增强方法，并将其分为三类：无模型、有模型和优化策略。同时，讨论了常见应用的趋势以及使用组和核理论以及无监督学习实现的图像增强方法。

    May, 2022